7201 Arbeiten
Das Paper stellt PRIMA vor, ein Framework, das durch die Integration von risikobasiertem medizinischem Wissen in einen Text-Encoder und eine dual-encoder Vorausbildung mit vier Verlustfunktionen die visuelle und textliche Analyse für die medizinische Diagnose verbessert und dabei robuste Ergebnisse ohne massive Datenmengen erzielt.
Die Arbeit stellt eine Retrieval-augmentierte Testzeit-Adapter-Methode vor, die durch die Kombination von Textprompts mit wenigen pixelgenau annotierten Beispielen die Lücke zwischen zero-shot und vollüberwachter Open-Vocabulary-Segmentierung schließt, indem sie einen leichten, pro-Bild-Klassifikator durch gelerntes multimodales Fusionieren trainiert.
Die Studie zeigt, dass die mangelnden Schlussfolgerungsfähigkeiten von Vision-Language-Modellen auf einen in den Trainingsdaten vorherrschenden Berichtsbias zurückzuführen sind, der durch reine Skalierung nicht behoben werden kann, sondern eine gezielte Kuratierung von Daten erfordert, die implizite Informationen explizit machen.
Diese Arbeit untersucht den Einfluss intrinsischer Parameter von ereignisbasierten Kameras auf die Leistung von Objekterkennungsmodellen und nutzt diese Erkenntnisse, um sensorunabhängige Robustheit durch gemeinsames Verteilungstraining zu erreichen.
Die vorgestellte Methode PLADA ermöglicht die effiziente Übertragung von Aufgabenwissen mit einem Datenpaket von weniger als 1 MB, indem sie statt der Pixelübertragung nur Klassenlabels für ein vorab geladenes Referenzdatenset sendet und dieses durch einen Pruning-Mechanismus auf die semantisch relevantesten Bilder filtert.
Das Paper stellt SeeThrough3D vor, ein Modell zur textbasierten 3D-Generierung, das durch eine neuartige okklusionsbewusste 3D-Szenendarstellung und maskierte Selbstattention präzise räumliche Anordnungen, realistische Verdeckungen und konsistente Kameraperspektiven ermöglicht.
Die Arbeit stellt VGG-T vor, ein skalierbares Offline-Modell zur 3D-Rekonstruktion, das durch die Umwandlung variabler geometrischer Darstellungen in einen festen MLP-Code mittels Testzeit-Training den quadratischen Rechenaufwand auf linearen reduziert und dabei sowohl Geschwindigkeit als auch Genauigkeit im Vergleich zu bestehenden Methoden signifikant verbessert.
Das Papier stellt MediX-R1 vor, ein offenes Reinforcement-Learning-Framework für multimodale medizinische Sprachmodelle, das durch einen kombinierten Belohnungsmechanismus und eine LLM-basierte Evaluierung präzise, frei formulierte klinische Antworten ermöglicht und dabei bestehende Open-Source-Baselines übertrifft.
Diese Arbeit verbessert die Geschwindigkeit und Qualität von Diffusionsmodellen durch eine neuartige Reparameterisierung des Diffusionsprozesses als gewöhnliche Differentialgleichung sowie die gleichzeitige Schätzung von Bild und Rauschen, was zu stabileren Updates und schnellerer Konvergenz führt.
Diese Arbeit stellt einen einfachen und interpretierbaren Algorithmus zur Echtzeit-Bewegungserkennung in Videostreams vor, der auf der Dynamischen Modenzerlegung (DMD) basiert und die Korrelation zwischen Vordergrundbewegungen und den Eigenwerten der DMD-Matrix nutzt, um die Effektivität in sicherheitsrelevanten Szenarien zu validieren.
Diese Arbeit bietet eine umfassende Übersicht über die tiefenlernbasierte Verbesserung von Unterwasserbildern, indem sie physikalische Modelle, Algorithmen, Evaluierungsmethoden und einen systematischen Vergleich des aktuellen Forschungsstands zusammenfasst und zukünftige Forschungsrichtungen aufzeigt.
Diese Arbeit stellt mit HQM ein Framework zur Qualitätsbewertung von Halluzinations-Benchmarks für Large Vision-Language Models vor, identifiziert Mängel bestehender Evaluierungsmethoden und führt mit HQH einen zuverlässigen Benchmark ein, der schwerwiegende Halluzinationsprobleme aktueller Modelle aufdeckt.
Die Arbeit stellt PoseAdapt vor, ein Open-Source-Framework und Benchmark-Suite für das kontinuierliche Lernen, das es ermöglicht, menschliche Pose-Schätzmodelle ressourceneffizient an sich ändernde Bedingungen anzupassen, ohne sie jedes Mal neu trainieren zu müssen.
Die Arbeit stellt LLM2CLIP vor, ein effizientes Feinabstimmungsframework, das die sprachlichen Fähigkeiten großer Sprachmodelle in CLIP integriert, um durch eine leichte Adapter-Schicht ohne große Neukalibrierung die Leistung bei komplexen Bild-Text-Aufgaben signifikant zu steigern und aktuelle State-of-the-Art-Modelle zu übertreffen.
Die Autoren stellen das flexible Evaluierungsframework „Renaissance" vor, um durch Meta-Analysen Best Practices für das Vortraining von Vision-Language-Encodern zu ermitteln, wobei sie zeigen, dass durch das Einfrieren großer Modellteile erhebliche Rechenressourcen gespart werden können, ohne die Downstream-Leistung zu beeinträchtigen.
Diese Studie stellt einen visionbasierten Rahmen zur Verfolgung von Objekten für unbemannte Wasserfahrzeuge vor, der durch einen Benchmark von sieben Deep-Learning-Trackern und Regelalgorithmen auf simulierten und realen Daten zeigt, dass der Transformer-basierte SeqTrack-Tracker in Kombination mit einem LQR-Regler die robusteste Leistung in komplexen maritimen Umgebungen erzielt.
Die Arbeit stellt OC-STORM vor, ein objektszentriertes modellbasiertes Reinforcement-Learning-Framework, das durch die Nutzung weniger annotierter Frames und vortrainierter Segmentierungsnetzwerke die Probeneffizienz in komplexen visuellen Umgebungen erheblich verbessert und dabei den STORM-Baseline sowie den aktuellen Stand der Technik übertrifft.
Die Arbeit stellt VOILA vor, einen neuen Benchmark zur Evaluierung der Fähigkeit von multimodalen Sprachmodellen, abstrakte analoge Beziehungen zwischen Bildern zu erkennen, und zeigt, dass diese Modelle trotz menschlicher Überlegenheit bei der relationalen reasoning noch erhebliche Schwierigkeiten haben, die jedoch durch schrittweise Prompting-Strategien verbessert werden können.
Die Arbeit stellt PD-VLA vor, ein trainingsfreies Parallel-Decoding-Framework für Vision-Language-Action-Modelle mit Action-Chunking, das durch die Umformulierung der autoregressiven Dekodierung als nichtlineares System die Inferenzgeschwindigkeit signifikant steigert, ohne dabei die Modellleistung zu beeinträchtigen.
Die Arbeit stellt UnifiedReward vor, das erste einheitliche Belohnungsmodell, das durch das gemeinsame Lernen zur Bewertung vielfältiger visueller Aufgaben Synergieeffekte nutzt und sowohl das Verständnis als auch die Generierung von Bildern und Videos durch menschliche Präferenzalignment verbessert.